TII 把 270M 的 Falcon OCR 适配成阿拉伯语：真实文档准确率 81.9%，仅次 Gemini 3.5 Flash
阿联酋技术创新研究院（TII）10 月 6 日在 HF 博文发布 Falcon-OCR-Arabic：把 270M 参数的早期融合 OCR 模型 Falcon OCR 扩到阿拉伯语文档，架构不变。做法分两阶段——先在真实与合成的阿语文档上做监督微调，再在精选的高质量样本上做强化学习。
早期融合的意思是单个稠密 Transformer 从第一层起就在同一套参数空间里同时读图像 patch 与文本 token，没有独立视觉编码器；输出类别（纯文本、公式的 LaTeX、表格的 HTML）由提示词里的一个参数选择，而不是额外模块。阿语难在字母之外：一个点就换字母、变音符位置敏感。所以 SFT 先让模型见过真实排版与噪声，RL 再专门针对词元级损失几乎罚不到、用户却很在意的错误——点错位、凭空多一个变音符、漏行、表格行重复。
评测基准是团队自建的 11,974 份真实阿语文档样本，覆盖 15 个文档类别，已并入 OmniDocBench 框架以统一匹配与指标。Falcon-OCR-Arabic 文本准确率 81.9%，只低于 Gemini 3.5 Flash 的 84.3%，领先其余所有模型；对比里最大的 Qwen 模型（Qwen 3.5 397B A17B）总参数约为它的 1,500 倍，分数低 14.5 分。适配本身的增益也直接：基座 Falcon OCR 在同一基准上是 55.39% 文本准确率与 24.83% 表格 TEDS，适配后为 81.87% 与 59.95%。
原文链接：TII 官方博文
核验记录
官方 HF 博文页直读 200，JSON-LD datePublished 2026-10-06T06:43:41.308Z（页内可见 October 6, 2026）；270M 参数、11,974 样本与 15 类别、81.9% 对 84.3%、基座 55.39% 到 81.87%、表格 TEDS 24.83% 到 59.95% 均为页内原文。配图走官方 og:image，1,862×845 PNG，裸请求与带站内 Referer 双 200。
← 上一篇IBM 与 Red Hat 修复 400 多个此前未知的开源漏洞：集中在 Java 库，Lightwell Clearinghouse 转正下一篇 →arXiv 论文：Lean 验证过了不等于证明成立，OpenAI 纳维–斯托克斯的形式化与原证明对不上